Introducción a los métodos

computacionales

Ajuste de Curvas
Objetivos de clase
 Calcular el ajuste de curvas para datos
históricos dados.
 Analizar la confiabilidad de resultados y ser
capaz de seleccionar el mejor método para un
problema específico.
 Comprender la diferencia fundamental entre
regresión e interpolación.
 AJUSTE DE CURVAS
 Esquema de Organización de la unidad
Lineal

Regresión
Polinomial
Ajuste de
Curvas
Mínimos
Cuadrados

Inter-
polación Polinomial
Newton

Polinomios
Lagrange
 AJUSTE DE CURVAS
 Esquema de Organización de la unidad
Lineal

Regresión
Polinomial
Ajuste de
Curvas
Mínimos
Cuadrados

Inter-
polación Polinomial
Newton

Polinomios
Lagrange
AJUSTE DE CURVAS
a) Datos con error significativo

b) Interpolación polinomial
oscilando más allá del rango de
los datos

c) Resultados satisfactorios
mediante el ajuste por mínimos
cuadrados
Regresión por mínimos cuadrados
1. Se debe encontrar algún criterio para graficar la
función que mejor aproxime la tendencia de los
datos.

2. Se debe obtener una función que minimice la

discrepancia entre los puntos y la curva.

3. La técnica que se utiliza para este fin se conoce

como regresión por mínimos cuadrados
(RMC).
REGRESIÓN LINEAL
El ejemplo más sencillo es ajustar una línea recta a un
conjunto de observaciones, definidas por puntos:
ao=Intersección con eje
y  a0  a1 x  e a1=Pendiente
e=error o diferencia

El error o residuo es la discrepancia entre el valor

verdadero de “y” y el valor aproximado que predijo la
ecuación lineal:

e  y  a0  a1 x
 REGRESIÓN LINEAL
Criterio para un mejor ajuste
Una estrategia para ajustar una mejor línea a través de los
datos consiste en minimizar la suma de los cuadrados de
los residuos entre la “y” medida y la “y” calculada del
modelo lineal:
n n n
Sr   ei   ( yi medida  yi mod elo ) 2   ( yi  a0  a1 xi )
2
i 1 i 1 i 1

Así, se tiene un línea única para cierto conjunto de datos.

Se debe determinar los valores de “ao” y “a1” que
minimizan la ecuación.
 REGRESIÓN LINEAL
Ajuste de una línea recta por mínimos cuadrados
Para determinar “ao” y “a1” se deriva la ecuación con
respecto a cada uno de los coeficientes:
S r n
 2  ( yi  a0  a1 xi )
a0 i 1

S r n
 2  [( yi  a0  a1 xi ) xi ]
a1 i 1

Se iguala las derivadas a cero, para dar como resultado un Sr

mínimo. Las ecuaciones se expresan:
n n n
0   yi   a0   a1 xi
i 1 i 1 i 1
n n n
0   yi xi   a0 xi   a1 x 2i
i 1 i 1 i 1
 REGRESIÓN LINEAL
Ajuste de una línea recta por mínimos cuadrados
n
 a0  na0
Si observamos que: , se expresa las ecuaciones
i 1

como un SEL con dos incógnitas, ao y a1.

Se resuelven en forma simultánea y se obtiene:
n n n
n  yi xi   xi  yi
a1  i 1
n
i 1
n
i 1

n  x 2 i  (  xi ) 2
i 1 i 1

El resultado se reemplaza en la ecuación:

a0  y  a1 x
y, x  medias _ x, y